公开/公告号CN112420199A
专利类型发明专利
公开/公告日2021-02-26
原文格式PDF
申请/专利号CN202011495285.2
申请日2020-12-17
分类号G16H50/30(20180101);G06K9/46(20060101);G06N3/04(20060101);G06N3/08(20060101);G06T7/11(20170101);G06T7/62(20170101);
代理机构12248 天津垠坤知识产权代理有限公司;
代理人王忠玮
地址 210042 江苏省南京市太平门外蒋王庙街14号
入库时间 2023-06-19 10:00:31
【技术领域】
本发明涉及医学图像处理领域,具有为一种基于白癜风色度的疗效评估方法。
【背景技术】
现有的半客观评价指标中,VETFa的优点是可以对白癜风的分期即疾病是否进展进行评价;VASI被认为是最适合评价病情严重程度的工具,它能同时评价白斑面积和脱色情况;但是VETFa和VASI在白斑面积评估中使用九分法或手掌单位,因而不适用于小面积白斑的评估;而且VETFa和VASI操作繁琐耗时,这也是未被皮肤科医生在临床工作中广泛使用的原因之一。
由此可见,提供一种适用于小面积白斑的白癜风疗效评估方法是本领域亟需解决的问题。
【发明内容】
针对上述问题,本发明提供一种基于白癜风色度的疗效评估方法,先对患者治疗前的白癜风区域进行拍照,采用目标检测与分割算法对照片进行处理得到白癜风区域,然后采用IWA值计算图像区域的平均色度;然后对治疗后的患者的相同位置进行拍照,计算得到两张照片的变换矩阵,从而得到治疗后患者的白癜风区域,采用IWA值计算该图像区域的平均色度,用治疗前后白癜风区域的两个的色度值的差值,来评估白癜风治疗方案效果。
进一步的,所述评估方法包括以下步骤:
步骤一:对治疗前的白癜风患者图像进行白癜风区域的检测;
步骤二:对获得的白癜风区域进行高精度的白斑分割;
步骤三:计算治疗前IWA值;
步骤四:计算治疗后的白癜风区域;
步骤五:计算治疗后白癜风区域的平均IWA值;
步骤六:计算色度变化。
进一步的,所述步骤三是先将图像从RGB色彩空间转换到XYZ色彩空间,再将图片从XYZ色彩空间转换到Lab色彩空间,接着进行Lab的归一化操作,最后将最后算出的Lab值带入公式计算IWA值。
进一步的,所述步骤六中色度变化=(治疗前IWA-治疗后IWA)/(治疗前IWA-治疗前皮肤IWA)。
与现有技术相比,本发明的技术方案具有以下有益技术效果:
本发明创造性的提出了一种基于白癜风色度的疗效评估方法,先对现有的白癜风指标进行了分析,进而提出利用图像检测与分割方法来自动定位白癜风区域,从而采用IWA计算治疗前后白癜风区域的色度值变化来评估,该方法可以很好的反映白癜风治疗前后的色度变化,快速评估白癜风的治疗效果,有效的运用到皮肤科医生的临床工作中。
【附图说明】
图1是本发明的流程示意图。
图2是本发明中RGB色彩空间转换到XYZ色彩空间的公式。
图3是本发明中XYZ色彩空间转换到Lab色彩空间的公式。
图4是本发明中计算IWA的公式。
【具体实施方式】
本发明所提到的方向用语,例如「上」、「下」、「前」、「后」、「左」、「右」、「内」、「外」、「侧面」等,仅是附图中的方向,只是用来解释和说明本发明,而不是用来限定本发明的保护范围。
本发明公开了一种基于白癜风色度的疗效评估方法,先对患者治疗前的白癜风区域进行拍照,采用目标检测与分割算法对照片进行处理得到白癜风区域,然后采用IWA值计算图像区域的平均色度;然后对治疗后的患者的相同位置进行拍照,计算得到两张照片的变换矩阵,从而得到治疗后患者的白癜风区域,采用IWA值计算该图像区域的平均色度。治疗前后白癜风区域的两个的色度值的差值,可以用来评估白癜风治疗方案效果,本方法具体包括以下步骤:
步骤一:对治疗前的白癜风患者图像进行白癜风区域的检测,待评估的白癜风患者图像应当整体清晰,毛发、背景等遮挡物应当尽量减少,图像中皮肤高光应当尽量减少,以免造成检测的干扰;
1.1准备训练检测网络的数据集:采集多位白癜风患者的共2000张白癜风的数码照片,筛除了聚焦差、图像质量差的照片,使用label-image软件将采集的2000张照片的白癜风区域进行框定标注,分为训练集、测试集和验证集,数据集间无交叉,完全独立;
1.2用上述标注好的数据集对YOLO V3神经网络进行训练:首先使用卷积层对输入到网络的训练集照片提取细小的特征,得到照片的特征图;然后将照片以特征图的大小分成多个小方格,若标注图中某个待检测区域的中心坐标落在某一个小方格中,就由该小方格来对此待检测区域进行预测,每个小方格都会预测一定个数的外接矩形框;YOLO v3中对小方格的预测的矩形框是3个,并且这些预测矩形框的初始大小都不同,预测框中只有和真值的IOU最大的外接矩形框才是用来预测该目标的;
1.3训练完成后用验证集照片进行验证,对出现的错标、漏标情况进行分析:进行数据集的扩充以及对模型算法进行修改和优化,对错标、漏标图片进行纠正,然后再投入模型中进行学习训练,反复进行多轮,最后将待检测患者的照片通过检测模型,得到白癜风检测的结果。
步骤二:对获得的白癜风区域进行高精度的白斑分割;
2.1准备训练分割网络的数据集:采集多位白癜风患者的1000张临床照片,通过光影魔术手手动对白癜风白斑区域进行分割出来作为样本,选取的白癜风区域大部分位于图片中心,且没有衣物、头发等遮挡物。这些样本中80%作为训练集用于训练模型,10%作为测试集用于测试模型表现是否良好,10%作为验证集用来对模型进行调整优化,各个数据集之间无交叉且完全独立;
2.2用上述分割好的数据集对UNet++神经网络进行训练:首先进行数据集的扩充,需要注意图像的平移和旋转不变性,接着在3×3的网格上使用随机位移矢量进行变形操作,然后使用三次插值法计算每个像素的位移,训练时由于卷积的时候没有进行填充操作,因此输出的照片尺寸会小于输入的照片尺寸,为了减少开销并最大程度地利用GPU内存,训练时使用图块,将批处理减少为单图像处理,最后通过UNet++里面的参数,在训练集上将输入与真实输出进行非线性映射,从而得到的这组参数也可以用来预测测试集中的数据,从而完成白癜风区域的预测诊断。
步骤三:将患者治疗前的照片经过步骤2分割获得图像,将图像从RGB色彩空间转换成CIELab色彩空间,将算出的lab值带入计算IWA的公式。
3.1将图片从RGB色彩空间转换到XYZ色彩空间,其公式如图1所示,
3.2将图片从XYZ色彩空间转换到Lab色彩空间,其公式如图2所示,
其中L,a,b分别为白癜风区域在CIELab颜色空间的三个通道的平均值,L代表的是明亮程度,a代表的是从红色到深绿,b则是代表从蓝色到黄色;
3.3进行Lab的归一化操作,即L=L*255/100,a=a+128,b=b+128;
3.4将最后算出的Lab值带入计算IWA的公式,其公式如图3所示
步骤四:输入一张白癜风患者治疗后的照片,通过采用图像匹配方法计算治疗前后两张照片的变换矩阵,利用该矩阵计算得到治疗后照片中的白癜风区域;
步骤五:参见步骤三,计算治疗后白癜风区域的平均IWA值;
步骤六:计算色度变化,公式如下:
色度变化=(治疗前IWA-治疗后IWA)/(治疗前IWA-治疗前皮肤IWA),其中“治疗前皮肤IWA”指治疗前患者照片中正常皮肤区域的IWA色度值。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
机译: 基于补丁的色度值校正图像数据的图像处理器,一种颜色处理方法,一种打印机以及一种用于校正色度值的表格生成方法
机译: 基于人工智能的医疗器械的临床疗效评估方法和系统
机译: 基于Stachytarpheta sp的药物组合物,一种获得相同的方法及其用于治疗白癜风的方法